• deevio team

Wie deevio das Problem der manuellen Qualitätskontrolle löst

Damian Heimel spricht über die Vorzüge von Machine Vision mit Deep Learning und erläutert das Verfahren, das deevio für die Qualitätskontrolle am Ende der Produktionslinie entwickelt hat.


Welche Lösung habt ihr mit deevio für die Qualitätskontrolle entwickelt und wie funktioniert sie?

Als erstes benötigen wir Bilder. Dafür greifen wir entweder auf vorhandene Bilder aus einem Bildverarbeitungssystem zurück oder wir installieren zusammen mit unseren Partnern Kameras in der Fabrik.. Mit diesen industriellen Kameras nehmen wir dann Bilder von guten sowie von defekten Produkten auf. Das bedeutet, wir nehmen Bilder auf, auf denen das Metallteil immer in Ordnung ist und solche, auf denen das Metallteil einen Kratzer, eine Delle oder eine Verfärbung hat. Bilder von jeder denkbaren Defektkategorie also. Mit diesen Bildern trainiert unser Team von Data Scientists ein spezifisches, auf den jeweiligen Anwendungsfall optimiertes Deep Learning Modell für die Bildklassifizierung. Zusätzlich zur smarten Software liefern wir unseren Kunden zusammen mit den eben angesprochenen Partnern, deren Expertise in der Systemintegration liegt, die komplette Hardware. Unsere Partner übernehmen die Installation der Kameras, die Einstellung der richtigen Belichtung, die Automatisierung und die Maschinensteuerung. Wir bieten unseren Kunden also eine Komplettlösung für die Automatisierung der abschließenden Qualitätskontrolle.


Was sind die Vorteile bei der Nutzung von Deep Learning im Vergleich zur traditionellen Bildverarbeitung?

Unsere Lösung mit Deep Learning beruht darauf, dass unser Modell das Konzept eines Defekts erlernt.

Daraus resultiert ein hohes Maß an Flexibilität, weil unser System einen Kratzer beispielsweise an verschiedenen Stellen oder auf Oberflächen mit eigener Textur erkennen kann. Weil das Deep Learning Modell dazulernt, kann es mit der Variabilität der Fehler besser umgehen.

Das war mit den traditionellen Verfahren nicht möglich. Und aus diesem Grund ist auch der Standort am Ende der Produktionslinie spannend für uns, weil das Produkt dort in seiner Gesamtheit nach der Qualität beurteilt wird.


Welche Vorteile ergeben sich für die Unternehmen aus eurer Lösung?

Zuerst einmal erreicht unser System eine Verbesserung der Qualität. Bei der Inspektion durch Menschen kann es immer sein, dass ein fehlerhaftes Produkt durchrutscht. Unser System stellt dem Konsistenz entgegen. Weiterhin trägt es auch dazu bei, dass Kosten reduziert werden. Da weniger Mitarbeiter in der Qualitätskontrolle benötigt werden, können diese Mitarbeiter an anderen Stellen in der Produktion eingesetzt werden und eine wertschaffende Position im Unternehmen bekleiden.

Außerdem analysieren und speichern wir die aufgenommenen Bilder mit dem jeweiligen Klassifizierungsergebnis in einer Datenbank. Mithilfe der Datenbank können dann Rückschlüsse aus der Produktion gezogen werden. Daraus wird beispielsweise deutlich, wann die Produktion besonders gut ist und wann besonders schlecht oder welche die Top-5-Fehler sind. Es ergibt sich also eine Nachverfolgbarkeit. Und mittels dieser Analysen lassen sich Produktionsprozesse weiter optimieren.


Warum wird Deep Learning erst jetzt in der Qualitätskontrolle eingesetzt?

Das liegt zum einen daran, dass es sich bei Deep Learning um eine relativ neue Technologie handelt. 2012 war Deep Learning dann erstmals besser als Menschen und Computer Vision-Algorithmen und damit auch für die Bildverarbeitung interessant. Der Durchbruch blieb aber aus, was vor allem damit zu tun hatte, dass Deep Learning-Algorithmen zu diesem Zeitpunkt noch keine Genauigkeit von 99,x8 Prozent erreichten. Eine Genauigkeit, die für die Fertigung aber notwendig ist, wenn wir beispielsweise an die Automobilbranche oder die Pharmaindustrie denken. In diesen Bereichen ist ein System, das die Qualität eines Produkts nur mit 95-prozentiger Genauigkeit beurteilen kann, nicht denkbar. Mit der Zeit sind dann sowohl die Algorithmen als auch die Hardware, also Grafikkarten und Rechenleistung, besser geworden, und die Forschung und die Anwendungsfälle sind durch die Decke gegangen. Und einer dieser Anwendungsfälle ist die Qualitätskontrolle.


Und wie wird sich deiner Meinung nach Qualitätskontrolle durch Deep Learning in der Zukunft noch weiter verändern?

Ich denke, man wird früher im Produktionsprozess ansetzen. Im Moment fokussieren wir uns ja auf Qualitätskontrolle am Ende der Produktionslinie, ich kann mir aber vorstellen, dass Deep Learning in verschiedenen Zwischenschritten angewendet werden wird, um Fehler schon frühzeitig zu erkennen. Wir waren neulich in einer Fabrik, in der die Kontrolle ganz am Schluss stattfindet, obwohl der Fehler schon am Anfang passiert. Ein fehlerhaftes Metallteil geht also durch den kompletten Prozess der Bearbeitung, bevor es am Ende ausgemustert wird. Das kostet das Unternehmen pro Jahr mehr als 1 Million Euro Strom. Hier könnte eine frühere Kontrolle Abhilfe schaffen.


Im nächsten Interview beschreibt Damian die einzelnen Schritte näher, die ein Unternehmen durchläuft, wenn es seine abschließende Qualitätskontrolle mit Hilfe von deevio automatisieren will.

deevio GmbH

Swinemünder Straße 121

10435 Berlin

  • LinkedIn - Grey Circle

deevio is supported by the Pro FIT Program of the Investitionsbank Berlin. The goal of the cooperation is the research and development of continuous learning algorithms for automated quality control. This project is co-financed by the European Fund for Regional Development (EFRE).